@new-style gretl.hlp

# add Tests "Añadir variables"

Las variables elegidas se añaden al modelo anterior y se estima el nuevo
modelo. Si se añade más de una variable, se mostrará el estadístico F para
las variable añadidas (Sólo para el método MCO) y su valor p. Un valor p
inferior a 0.05 indica que los coeficientes son conjuntamente significativos
al nivel del 5 por ciento.

Instrucción guión: add

# adf Tests "Contraste aumentado de Dickey-Fuller"

Esta instrucción n¡requiere un orden de retardos entero.

Calcula los estadísticos para dos contrastes de Dickey-Fuller. En cada caso
la hipótesis nula es que la variable seleccionada presenta una raíz
unitaria. El primero es un estadístico t basado en el modelo

  (1 - L)x(t) = m + gx(t-1) + e(t)

La hipótesis nula es que g = 0. En el segundo contraste (aumentado) se
realiza la estimación de una regresión no retringida (cuyos regresores son
una constante, una tendencia temporal, el primer retardo de la variable y
"orden" retardos de la primera diferencia) y una versión restringida
(quitando la tendencia temporal y el primer retardo). El estadístico de
contraste es

  F(2, T-k) = [(ESSr - ESSu)/2] / [ESSu/(T - k)]

donde T es el tamaño de la muestra, k el número de parámetros del modelo no
restringido, y los subíndices u y r denotan el modelo no restringido y el
restringido respectivamente. Hay que señalar que los valores críticos para
estos estadísticos no son los habituales; se muestra el valor p cuando es
posible determinarlo.

Instrucción guión: adf

# ar Estimation "Estimación autorregresiva"

Computa las estimaciones de los parámetros usando el procedimiento iterativo
generalizado de Cochrane-Orcutt (ver Sección 9.5 del libro de Ramanathan).
Las iteraciones terminan cuando dos sumas de cuadrados residuales sucesivas
no difieren en más del 0.005 por ciento o después de 20 iteraciones.

La "lista de retardos AR" especifica la estructura de la perturbación. Por
ejemplo, la entrada "1 3 4" corresponde al proceso:

  u(t) = rho1*u(t-1) + rho3+u(t-3) + rho4*u(t-4)

Instrucción guión: ar

# arch Tests "Contraste ARCH"

Estainstrucción requiere un número de retardos entero.

Contrasta la existencia de ARCH (Autoregressive Conditional
Heteroskedasticity -- Heterocedasticidad condicional autorregresiva) del
orden especificado, en el modelo. Si el estadístico de contraste LM tiene un
valor p inferior a 0.10, entonces también se realiza la estimación del
modelo ARCH. Si la predicción de la varianza de cualquier observación, en la
regresión auxiliar, no es positiva entonces se usa en su lugar el
correspondiente residuo al cuadrado. Después se realiza una estimación por
mínimos cuadrados ponderados sobre el modelo original.

Ver también "garch".

Instrucción guión: arch

# arma Estimation "Modelo ARMA"

Cuando se elige desde el menú de Variable, estima un modelo ARMA
(Autoregressive, Moving Average). Cuando se elige desde el menú de Modelo
("ARMAX"), estima un modelo ARMAX, es decir, con regresores exógenos
adicionales.

Por defecto se usa la función "nativa" ARMA de gretl; en el caso de un
modelo ARMA univariante se puede usar X-12-ARIMA en su lugar (si está
instalado el paquete X-12-ARIMA para gretl).

El algoritmo ARMA nativo de gretl ha sido, en su mayor parte, creado por
Riccardo "Jack" Lucchetti. Utiliza un procedimiento de máxima verosimilitud
condicional, implementado por medio de la estimación por mínimos cuadrados
iterativos de la regresión del producto externo del gradiente (OPG, outer
product of the gradient regression). Ver el manual del gretl para entender
la lógica de este procedimiento. Los coeficientes AR (y los de cualquier
regresor adicional) se inicializan por medio de la estimación por MCO de un
AR, y los coeficientes MA se inicializan asignándoles valor cero.

El valor del coeficiente AIC para los modelos ARMA se calcula de acuerdo con
la definición usada en el programa X-12-ARIMA, es decir

  AIC = -2L + 2k

donde L es la log-verosimilitud y k es el número total de parámetros
estimados. La "frecuencia" que se presenta asociada a las raíces AR y MA es
el valor lambda que soluciona

  z = r * exp(i*2*pi*lambda)

donde z es la raíz en cuestión y r es su módulo.

Instrucción guión: arma

# boxplot Graphs "Gráficos de caja"

Estos gráficos (debidos a Tukey y Chambers) muestran la distribución de una
variable. La caja central recoge el 50 por ciento intermedio de los datos,
es decir, está acotada por el primero y tercer cuartiles. Las "patillas" se
extienden hasta los valores mínimo y máximo. Se dibuja una línea a lo largo
de la caja en el lugar de la mediana.

En el caso de gráficos de caja recortados, el recorte muestra los límites de
un intervalo de aproximadamente el 90 por ciento de confianza para la
mediana. Este intervalo se obtienen por el método bootstrap.

Después de cada variable especificada en la instrucción boxplot, se puede
añadir una expresión booleana entre paréntesis para limitar la muestra para
la variable en cuestión. Debe de insertarse un espacio entre el nombre o
número de la variable y la expresión. Supongamos que usted tiene valores de
los salarios de hombres y mujeres, y tiene una variable ficticia SEXO con
valor 1 para los hombres y 0 para las mujeres. En este caso usted puede
dibujar gráficos de caja comparativos usando la siguiente línea en el cuadro
de diálogo de los gráficos de caja:

	salary (GENDER=1) salary (GENDER=0)

Algunos detalles de los gráficos de caja de gretl pueden controlarse por
medio de un fichero (de texto plano) llamado .boxplotrc. Para más detalles
sobre esto ver el manual del gretl.

Instrucción guión: boxplot

# chow Tests "Contraste de Chow"

Esta instrucción requiere un número de observaciones (o fecha, en el caso de
datos con fechas).

Primero debe ejecutarse una regresión por MCO. Crea una variable ficticia
que es igual a 1 desde el punto de corte especificado en obs hasta el final
de la muestra y 0 en el resto. También crea los términos de interacción
entre esta variable ficticia y las variables independientes originales. Se
ejecuta una regresión aumentada incluyendo estos términos y se calcula un
estadístico F, tomando la regresión aumentada como 'no restringida' y la
original como 'restringida'. Este estadístico es adecuado para contrastar la
hipótesis nula de que no hay cambio estructural en el punto de ruptura
indicado.

Instrucción guión: chow

# coeffsum Tests "Suma de coeficientes"

Esta instrucción requiere una lista de variables, que se elige a partir del
conjunto de variables independientes de un modelo dado.

Calcula la suma de los coeficientes de las variables de la lista
especificada. Presenta la suma junto con su desviación típica y el valor p
para la hipótesis nula de que la suma es cero.

Hay que señalar la diferencia entre esta instrucción y "omit", que contrasta
la hipótesis nula de que los coeficientes de un subconjunto de variables
independientes son todos iguales a cero zero.

Instrucción guión: coeffsum

# coint Tests "Contraste de cointegración de Engle-Granger"

Contraste de cointegración de Engle-Granger. Esta instrucción realiza los
contrastes de Dickey-Fuller aumentados de la hipótesis nula de que cada una
de las variables de la lista tiene una raíz unitaria, usando el orden de
retardos dado. Se estima la ecuación cointegrante y se realiza un contraste
ADF sobre los residuos de esta regresión. También se presenta el estadístico
de Durbin-Watson para la regresión cointegrante. Hay que señalar que ninguno
de estos estadísticos de contraste puede compararse con las tablas
estadísticas usuales.

Instrucción guión: coint

# coint2 Tests "Contraste de cointegración de Johansen"

Realiza el contraste de la traza de Johansen para contrastar cointegración
entre las variables de la lista para el orden dado. Los valores cvríticos se
computan por medio de la aproximación gamma de J. Doornik (Doornik, 1998).
Para detalles sobre este contraste ver el libro de Hamilton, Time Series
Analysis (1994), Capítulo 20.

Se presenta aquí la siguiente tabla como guía para la interpretación de los
resultados ofrecidos por el contraste, para el caso de 3 variables. H0
denota la hipótesis nula, H1 la hipótesis alternativa y c el número de
relaciones cointegrantes.

            Rango   Contraste de la traza     Contraste Lmax 
                          H0     H1              H0     H1
             ---------------------------------------------------
              0          c = 0  c = 3          c = 0  c = 1
              1          c = 1  c = 3          c = 1  c = 2
              2          c = 2  c = 3          c = 2  c = 3
             ---------------------------------------------------

Instrucción guión: coint2

# compact Dataset "Compactar datos"

Cuando usted añade a un conjunto de datos una serie que es de una frecuencia
mayor, es necesario "compactar" la nueva serie. Por ejemplo, será necesario
compactar una serie mensual para encajarla en un conjunto de datos
trimestral.

Además, es posible que alguna vez usted desee compactar un conjunto de datos
completo para transformarlo en datos de frecuencia más baja (por ejemplo,
antes de añadir al conjunto de datos una variable de frecuencia inferior).

Se le ofrecen cuatro opciones de compactado:

  Promediar: el valor que se escribe en el conjunto de datos será la media
  aritmética de los valores relevantes de la serie. Por ejemplo, el valor
  poara el primer trimestre de 1990 será la media de los valores de Enero,
  Febrero y Marzo de 1990.

  Sumar: el valor que se escribe en el conjunto de datos será la suma de los
  valores de frecuencia mayor relevantes. Por ejemplo, el valor del primer
  trimestre será la suma de los valores de Enero, Febrero y Marzo.

  Asignar valores de final del periodo: el valor que se escribe en el
  conjunto de datos es el último valor relevante de los datos de frecuencia
  mayor. Por ejemplo, el valor del primer trimestre de 1990 sería el valor
  de Marzo de 1990.

  Asignar valores de inicio del periodo: el valor escrito en el conjunto de
  datos es el primer valor relevante de los datos de frecuencia mayor. Por
  ejemplo, al primer trimestre de 1990 se le asignaría el valor de Enero de
  1990.

Cuando se compacta un conjunto de datos completo, la elección que usted
efectúa en esta caja de diálogo establece el método por defecto. Pero si
usted ha establecido un método de compactado para una variable individual
(elemento de menú "Variable/Editar atributos") se usa ese método en lugar
del método por defecto.

# corc Estimation "Procedimiento de Cochrane-Orcutt"

Computa estimaciones de los parámetros usando el procedimiento iterativo de
Cochrane-Orcutt (ver Sección 9.4 del libro de Ramanathan). Las iteraciones
finalizan cuando dos estimaciones sucesivas del coeficiente de
autocorrelación no difieren en más de 0,001 o después de 20 iteraciones.

Instrucción guión: corc

# corrgm Statistics "Correlograma"

Presenta los valores de la función de autocorrelación para la variable
especificada (por nombre o por número). Ver Ramanathan, Sección 11.7. Es por
tanto rho(u(t), u(t-s)) donde ut es la t-ésima observación de la variable u
y s es el número de retardos.

También se presentan las autocorrelaciones parciales, siendo éstas los
coeficientes una vez descontado el efecto de los demás retardos
intervinientes. Esta instrucción también representa el correlograma y
muestra el estadístico Q de Box-Pierce para el contraste de la hipótesis
nula de que la serie es "ruido blanco". Este se distribuye asintóticamente
como una chi-cuadrado con grados de libertad igual al número de retardos
utilizados.

Si se especifica un valor para retardo_max entonces el tamaño del
correlograma se limita como máximo a ese número de retardos, en los demás
casos se determina automáticamente.

Instrucción guión: corrgm

# cusum Tests "Contraste CUSUM"

Debe realizarse después de la estimación de un modelo por MCO. Realiza el
contraste CUSUM de estabilidad de los parámetros. Se obtiene una serie de
errores de predición (escalados) un período hacia adelante al ejecutar una
serie de regresiones: la primera regresión utiliza las primeras k
observaciones y se usa para generar una predicción de la variable
dependiente en la observación k + 1; la segunda utiliza las primeras k + 1
observaciones y genera una predicción para la observación k + 2, y así
sucesivamente (donde k es el número de parámetros en el modelo original). Se
muestra y se representa graicamente la suma acumulada de los errores de
predicción escalados. La hipótesis nula de estabilidad en los parámetros se
rechaza al nivel de significación del 5 por ciento si la suma acumulada se
sale de la banda de 95 por ciento de confianza.

También se presenta el estadístico t de Harvey-Collier para contrastar la
hipótesis nula de estabilidad de los parámetros. Para más detalles ver
Capítulo 7 del libro de Greene Econometric Analysis.

Instrucción guión: cusum

# dialog Estimation "Caja de diálogo de Modelo"

Para seleccionar la variable dependiente, marque una variable en la lista de
la izquierda y presione el botón "Elegir->" que apunta a la zona de
definición de la variable dependiente. Si usted marca el cuadrado "Selección
por defecto", la variable indicada será preseleccionada como variable
dependiente cuando se vuelva a abrir de nuevo la caja de diálogo de Modelo.
Atajo: haga doble click sobre una variable de la izquierda para
seleccionarla como variable dependiente y establcerla así por defecto.

Para seleccionar las variables independientes márquelas a la izquierda y
presione el botón "Añadir->" (o haga click con el botón derecho del ratón).
Usted puede marcar varias variables contíguas manteniendo pulsado el botón
izquierdo del ratón y desplazándolo. Puede marcar un grupo de variables no
contíguas haciendo click sobre ellas al mismo tiempo que pulsa la tecla
Ctrl.

# export Dataset "Exportar datos"

Se pueden exportar los datos en formato CSV (Comma-Separated Values): estos
datos pueden abrirse desde programas de hoja de cálculos y muchos otros
programas de aplicaciones.

También se pueden exportar los datos en los formatos nativos de GNU R o GNU
octave. Para más información sobre estos programas (que ambos soportan
análisis estadísticos avanzados) vea por favor sus respectivos sitios web,
http://www.r-project.org/ y http://www.octave.org/

# factorized Graphs "Gráfico con factor de separación"

Esta orden requiere la selección de tres variables, de las cuales la última
debe ser una variable ficticia (con valores 1 o 0). La variable Y se
representa con respecto a la variable X, con los puntos de datos coloreados
de manera diferente dependiendo del valor de la tercera variable.

Ejemplo: suponga que tenemos datos sobre salarios y nivel de educación para
una muestra de varias personas, también tenemos una variable ficticia con
valor 1 para los hombres y 0 para las mujeres (como en el fichero de
Ramanathan data7-2). Un gráfico "con factor de separación" de SALARIO con
respecto a EDUCACION usando la variable ficticia SEXO como factor, mostrará
los puntos de datos para los hombres de un color y los de las mujeres de
otro (con una leyenda para poder identificarlos).

# fcasterr Prediction "Predicciones con intervalos de confianza"

Después de estimar un modelo por medio de MCO usted puede usar esta
instrucción para mostrar los valores ajustados para el rango de
observaciones determinado, las desviaciones típicas de estos valores
ajustados y los intervalos de confianza del 95 por ciento.

Las desviaciones típicas se calculan de la forma descrita en el Capítulo 6
del libro de Wooldridge Introductory Econometrics. Estas tienen en cuenta
dos fuentes de variabilidad: la asociada al valor esperado de la variable
dependiente condicionado a los valores dados de las variables
independientes, y la varianza de los residuos de la regresión.

Instrucción guión: fcasterr

# garch Estimation "Modelo GARCH"

Estima un modelo GARCH (GARCH = Generalized Autoregressive Conditional
Heteroskedasticity), o un modelo univariante o, si se seleccionan variables
independientes, un modelo que incluye éstas como variables exógenas. La
ecuación de la varianza condicional se muestra a continuación.

  h(t) = sum(i=1 to q) a(i)*u(t-i) +  sum(j=1 to p) b(j)*h(t-j)

El algoritmo GARCH de gretl es básicamente el de Fiorentini, Calzolari y
Panattoni (1996), y se usa con el amable permiso del profesor Fiorentini.

Con esta instrucción están disponibles varias variantes de las estimaciones
de la matriz de covarianzas de los coeficientes. Por defecto se usa el
Hessiano a no ser que se marque el cuadrado "Desviaciones típicas robustas",
en cuyo caso se utiliza la matriz de covarianzas QML (White). Se pueden
especificar otras posibilidades (p.ej. la matriz de información, o el
estimador Bollerslev-Wooldridge) usando la instrucción "set".

Instrucción guión: garch

# genr Dataset "Generar una variable nueva"

Crea variables nuevas, normalmente como transformaciones de variables ya
existentes. Ver también "diff", "logs", "lags", "ldiff", "multiply" y
"square" como atajos.

Los operadores aritméticos soportados son, en orden de precedencia: ^
(exponenciación); *, / y % (módulo o resto); + y -.

Los operadores Booleanos disponibles son (de nuevo, en orden de
precedencia): ! (negación), & (Y lógico), | (O lógico), >, <, =, >= (mayor o
igual que), <= (menor o igual que) y != (distinto que). Se pueden usar
operadores Booleanos para construir variables ficticias: por ejemplo (x >
10) devuelve 1 si x > 10, y 0 en otro caso.

Las funciones se clasifican en:

  Funcione matemáticas estándar: abs, cos, exp, int (parte entera), ln
  (logaritmo natural: log es un sinónimo), sin, sqrt.

  Funciones estadísticas: max (valor máximo de una serie), min (mínimo),
  mean (media aritmética), median, var (varianza) sd (desviación típica),
  sst (suma de desviaciones desde la media, al cuadrado), sum, cov
  (covarianza), corr (coeficiente de correlación), pvalue, sort, cum
  (acumulación, o suma secuencial), resample (remuestrear una serie con
  reemplazamiento, con el propósito de hacer bootstrap), hpfilt (Filtro de
  Hodrick-Prescott: esta función devuelve el "componente cíclico" de la
  serie).

  Funciones de series temporales: diff (primera diferencia), ldiff
  (diferencia logarítmica, o primera diferencia del logaritmo natural). Para
  generar retardos de una variable x, se usa la sintaxis "x(-N)", donde N
  representa la longitud deseada del retardo; para generar adelantos, se usa
  "x(+N)".

  Funciones de conjunto de datos: misszero (reemplaza los códigos de
  observación ausente de una serie dada con ceros), zeromiss (la operación
  inversa a misszero), nobs (devuelve el número de observaciones válidas de
  una serie de datos determinada), missing (para cada observación, devuelve
  1 si el argumento tiene una observación ausente, y 0 en caso contrario).

  Números pseudo-aleatorios: uniform, normal.

Todas las funciones de arriba excepto cov, corr, pvalue, uniform y normal
toman como único argumento o el nombre de una variable (nótese que, en una
fórmula "genr", no es posible referirse a las variables por su número de ID)
o una expresión que se evalúa en una variable (p.ej. ln((x1+x2)/2)). cov y
corr requieren dos argumentos, y devuelven respectivamente la covarianza y
el coeficiente de correlación entre sus argumentos. La función pvalue toma
los mismos argumentos que la instrucción "pvalue", pero en este contexto
deben introducirse comas entre los argumentos. uniform() y normal(), que no
toman arguamentos, devuelven series de números pseudo-aleatorios extraídos
de la distribución uniforme (0-1) y normal estándar respectivamente (ver
también la instrucción "set", opción seed). La series de datos uniformes se
generan utilizando el Mersenne Twister; para series normales se usa el
método de Box y Muller (1958), tomando la entrada del Mersenne Twister.

Además de los operadores y funciones ya mencionados, hay algunos usos
especiales de "genr":

  "genr time" crea una variable de tendencia temporal (1,2,3,...) llamada
  "time". "genr index" hace lo mismo, excepto que ahora la variable se
  denomina index.

  "genr dummy" crea variables ficticias hasta la periodicidad de los datos.
  P.ej. en el caso de datos trimestrales (periodicidad 4), el programa crea
  dummy_1 = 1 para el primer trimestre y 0 en los demás trimestres, dummy_2
  = 1 para el segundo trimestre y 0 en los demás, y así sucesivamente.

  "genr paneldum" crea un conjunto de variables ficticias especiales para
  ser usadas con un conjunto de datos de panel -- ver "panel".

  Usando "genr" se pueden recuperar los valores de algunas variables
  internas que se definen al ejecutar una regresión, de la siguiente foprma:

  $ess         suma de cuadrados de los residuos
  $rsq         R-cuadrado no corregido
  $T           número de observaciones usadas
  $df          grados de libertad
  $trsq        TR-cuadrado (el tamaño muestral por el R-cuadrado)
  $sigma       desviación típica de los residuos
  $aic         Criterio de información de Akaike
  $lnl         logaritmo de la verosimilitud (donde es aplicable)
  $sigma       desviación típica de los residuos
  coeff(var)   coeficiente estimado para la variable var
  stderr(var)  desviación típica estimada para la variable var 
  rho(i)       coeficiente autorregresivo de i-ésimo orden de los residuos
  vcv(x1,x2)   covarianza entre los coeficientes para las variables nombradas 
               x1 y x2 

Nota: En el programa en línea de instrucciones, las instrucciones "genr" que
recuperan datos relativos a un modelo siempre hacen referencia al último
modelo estimado. Esto también es cierto para el programa en modo GUI, si uno
usa "genr" en la "consola de gretl" o introduce una fórmula usando la opción
"Definir nueva variable" del menú de Variable en la ventana principal. Sin
embargo, con el GUI, usted tiene la posibilidad de recuperar datos de
cualquier modelo que actualmente se esté mostrando en una ventana (sea o no
el modelo más reciente). Usted puede hacer esto bajo el menú "Datos del
Modelo" de la ventana del modelo.

Las series internas uhat e yhat contienen, respectivamente, los residuos y
los valores ajustados de la última regresión.

También están disponibles dos variables "internas" relacionadas con el
conjunto de datos actual: $nobs contiene el número de observaciones del
rango muestral actual (que puede ser o no igual a $T, el número de
observaciones usadas al estimar el último modelo), y $pd contiene la
frecuencia o periodicidad de los datos (p.ej 4 para datos trimestrales).

La variable t sirve como índice de las observaciones. Por ejemplo genr dum =
(t=15) generará una variable ficticia que toma valor 1 para la observación
15, y 0 en las demás. La variable obs es similar pero más flexible: usted
puede usarla para extraer observaciones particulares por fecha o nombre. Por
ejemplo, genr d = (obs>1986:4) o genr d = (obs="CA"). La última forma
presupone que las observaciones tienen etiquetas; la etiqueta debe ponerse
entre comillas.

Pueden utilizarse valores escalares de una serie en el contexto de una
fórmula genr, usando la sintaxis nombre_var[obs]. El valor obs puede darse
por número o fecha. Ejemplos: x[5], CPI[1996:01]. Para datos diarios data,
se debe de usar la forma YYYY:MM:DD, p.ej. ibm[1970:01:23].

La tabla abajo da varios ejemplos de utilizaciones de "genr" con notas
explicativas; aquí hay un par de sugerencias sobre variable ficticias:

  Supongamos que x está codificada con los valores 1, 2, o 3 y usted quiere
  tres variables ficticias, d1 = 1 si x = 1, 0 en otro caso, d2 = 1 si x =
  2, y así sucesivamente. Para crearlas, use las instrucciones:

	    genr d1 = (x=1)
	    genr d2 = (x=2)
	    genr d3 = (x=3)

  Para crear z = max(x,y) do

	    genr d = x>y
	    genr z = (x*d)+(y*(1-d))

  Fórmula               Comentario
  -------               -------
  y = x1^3              x1 cubed
  y = ln((x1+x2)/x3)    
  z = x>y               z(t) = 1 si x(t) > y(t), en otro caso 0
  y = x(-2)             x retardada 2 periodos
  y = x(2)              x adelantada 2 periodos
  y = diff(x)           y(t) = x(t) - x(t-1)
  y = ldiff(x)          y(t) = log x(t) - log x(t-1), la tasa de crecimiento 
                        instantánea de x
  y = sort(x)           ordena x en orden creciente y lo guarda en y
  y = -sort(-x)         ordena x en orden decreciente
  y = int(x)            trunca x y guarda su valor entero como y
  y = abs(x)            guarda los valores absolutos de x
  y = sum(x)            suma los valores de x excluyendo los valores ausentes, 
                        con entradas -999
  y = cum(x)            acumulación: y(t) = la suma desde s=1 hasta s=t de 
                        x(s) 
  aa = $ess             hace aa igual a la suma de cuadrados de los residuos 
                        de la última regresión
  x = coeff(sqft)       guarda el coeficiente estimado de la variable sqft de 
                        la última regresión
  rho4 = rho(4)         guarda el coeficiente autorregresivo de 4º orden del 
                        último modelo (supone un modelo ar)
  cvx1x2 = vcv(x1, x2)  guarda la covarianza de los coeficientes estimados de 
                        las variables x1 y x2 del último modelo
  foo = uniform()       variable pseudo-aleatoria uniforme en el rango 0-1
  bar = 3 * normal()    variable pseudo-aleatoria normal, mu = 0, sigma = 3
  samp = !missing(x)    = 1 para las observaciones en las que no hay valores 
                        ausentes de x.

Instrucción guión: genr

# graphing Graphs "Graphing"

Gretl llama a un programa aparte, gnuplot, para generar los gráficos.
Gnuplot es un programa con muchas características y miles de opciones. Gretl
le proporciona acceso directo, por medio de un interfaz gráfico, a un
subconjunto de esas opciones e intenta elegir los valores adecuados por
usted; también le permite tomar completamente el control sobre el gráfico,
si usted lo desea.

Cuando se está mostrando un gráfico, usted puede hacer click sobre la
ventana del gráfico para que aparezca un menú emergente con las siguientes
opciones:

  Guardar como postscript: guarda el gráfico en formato postscript
  encapsulado (EPS)

  Guardar como PNG: lo guarda en formato PNG (Portable Network Graphics)

  Guardar a sesión como icono: el gráfico aparecerá como un icono cuando
  usted seleccione "Vista de iconos" desde el menú de sesión

  Zoom: le permite seleccionar un área dentro del gráfico para verla con más
  detalle

  Imprimir: (sólo en el escritorio Gnome de Linux y en MS Windows) le
  permite imprimir el gráfico directamente

  Copiar al portapapeles: (sólo en MS Windows) le permite pegar el gráfico
  en aplicaciones Windows tales como MS Word

  Editar: abre un controlador para el gráfico que le permite ajustar varios
  aspectos de su apariencia

  Cerrar: cierra la ventana del gráfico

Si Vd. conoce gnuplot y desea tener un control más detallado sobre la
apariencia de un gráfico que el que está disponible por medio del
controlador gráfico (opción "Editar" option), usted tiene dos opciones:

  Una vez que el gráfico se ha guardado como un icono de sesión, usted puede
  hacer click con el botón derecho del ratón para que aparezca un nuevo menú
  emergente. Una de las opciones aquí es "Editar las instrucciones del
  graficos", lo cual abre una ventana de edición que contiene las
  instrucciones actuales de gnuplot. Vd. puede editar esas instrucciones y
  guardarlas para un procesado futuro o enviarlas a gnuplot (con el elemento
  de menú "Archivo/Enviar a gnuplot" en la ventana de edición de
  instrucciones de gnuplot).

  Otra manera de guardar las instrucciones del gráfico (o guardar el gráfico
  representado en formatos distintos de EPS o PNG) es usar el elemento
  "Editar" del menú emergente del gráfico para invocar al controlador
  gráfico, después hacer click sobre la solapa "Salida a fichero" en el
  controlador. Entonces se le presenta un menú con varios formatos en los
  que guardar el gráfico.

Para conocer más sobre gnuplot, ver http://ricardo.ecn.wfu.edu/gnuplot.html
o http://www.gnuplot.info

# graphpag Graphs "Página de gráficos de Gretl"

La "página de gráficos" en la ventana de sesión sólo funcionará si Vd. tiene
el sistema de proceso de textos LaTeX instalado, y es capaz de generar y ver
una salida postscript.

En la ventana de iconos de sesión, Vd. puede arrastrar hasta ocho gráficos
al icono de página de gráficos. Cuando usted hace doble click sobre la
página de gráficos (o click con el botón derecho y selecciona "Mostrar"), se
formará una página con los gráficos elegidos y se abrirá con su visualizador
de postscript. Desde allí usted podrá imprimir la página.

Para vaciar la página de gráficos, pulse con el botón derecho sobre su icono
y seleccione "Vaciar".

En sistemas diferentes de MS Windows, es posible que usted tenga que ajustar
las preferencias de gretl para seleccionar el programa que usa para ver
ficheros postscript. Puede encontrarlas bajo la solapa "Programas" en la
caja de diálogo de preferencias de gretl (bajo el menú Archivo en la ventana
principal).

# 3-D Graphs "Gráficos tridimensionales"

Este servicio funciona mejor si usted tiene instalado gnuplot 3.8 o
superior. En ese caso Vd. puede manipular el gráfico tridimensional con el
ratón (rotarlo y expandir o contraer los ejes).

Al formar un gráfico 3-D, nótese que se representará como eje vertical el
eje Z. Así que si usted tiene alguna variable dependiente que cree puede
verse influída por dos variables independientes, debería poner la variable
dependiente en el eje Z y las variables independientes sobre los ejes X e Y.

Al contrario que en la mayoría de los demás gráficos de gretl, los gráficos
tridimensionales los controla gnuplot en lugar del propio gretl. Así que el
menú de edición de gráficos de gretl no está disponible.

# hausman Tests "Contraste de Hausman test (diagnósticos de panel)"

Este contraste sólo está disponible después de haber estimado un modelo
mediante la instrucción "pooled" (ver también "panel" y "setobs"). Contrasta
el modelo simple combinado contra sus alternativas principales, el modelo de
efectos fijos y el modelo de efectos aleatorios.

El modelo de efectos fijos añade una variable ficticia para todas menos una
de las unidades de sección cruzada, permitiendo al intercepto de la
regresión variar a través de estas unidades. Se presenta un estadístico F
para el contraste de significación conjunta de estas variables ficticias. El
modelo de efectos aleatorios descompone la varianza residual en dos partes,
una parte específica de las unidades de sección cruzada y la otra específica
de cada observación particular. (Este estimador sólo puede computarse si el
número de unidades de sección cruzada es mayor que el número de parámetros a
estimar.) El estadístico LM de Breusch-Pagan sirve para contrastar la
hipótesis nula (de que el estimador MCO combinado es el adecuado) contra la
alternativa de efectos aleatorios.

El modelo de MCO combinados puede ser rechazado contra ambas alternativas,
el modelo de efectos fijos y el de efectos aleatorios. Si el error
específico de unidad o grupo está incorrelacionado con las variables
independientes, el estimador de efectos aleatorios es más eficiente que el
estimador de efectos fijos; en caso contrario el estimador de efectos
aleatorios sería inconsistente y sería preferible el estimador de efectos
fijos. La hipótesis nula para el contraste de Hausman es que el error
específico de grupo no está tan correlacionado (así que es preferible el
modelo de efectos aleatorios). Un valor p bajo para este contraste es un
síntoma en contra del modelo de efectos aleatorios y a favor del modelo de
efectos fijos.

Instrucción guión: hausman

# hccm Estimation "Estimación HCCM"

Matriz de covarianzas consistente ante heterocedasticidad: esta instrucción
ejecuta una regresión en la que los coeficientes se estiman mediante un
procedimiento MCO estándar, pero las desviaciones típicas de los
coeficientes estimados se calculan de una manera que es robusta ante
heterocedasticidad, en concreto usando el procedimiento "jackknife" de
MacKinnon-White.

Instrucción guión: hccm

# hilu Estimation "Estimación de Hildreth-Lu"

Calcula estimaciones de los parámetros del modelo especificado usando el
procedimiento de búsqueda de Hildreth-Lu search procedure (refinado mediante
el procedimiento CORC). Este procedimiento está diseñado para corregir las
estimaciones teniendo en cuenta la correlación serial del término de error.
La suma de cuadrados de los residuos del modelo transformado se representa
con respecto al valor de rho desde -0.99 hasta 0.99.

Instrucción guión: hilu

# hsk Estimation "Estimaciones corregidas de heterocedasticidad"

Se calcula una regresión por MCO y se guardan los residuos. El logaritmo del
cuadrado de los residuos entonces pasa a ser la variable dependiente en una
regresión auxiliar, en cuyo lado derecho están las variables independientes
originales más sus cuadrados. Los valores ajustados en la regresión auxiliar
se usan entonces para construir una serie de ponderaciones y el modelo
original se reestima utilizando mínimos cuadrados ponderados. El resultado
final se presenta en un informe.

La serie de ponderaciones se forma como 1/sqrt(exp(y*)), donde y* denota los
valores ajustados mediante la regresión auxiliar.

Instrucción guión: hsk

# label Dataset "Editar los atributos de una variable"

En esta caja de diálogo Vd. puede:

* Renombrar una variable.

* Añadir o editar una descricpción de la variable: esta aparecerá junto al
nombre de la variable en la ventana principal de gretl.

* Añadir o editar el "nombre a mostrar" para la variable. Esta cadena de
caracteres (máximo 19 caracteres) se muestra en lugar del nombre de la
variable cuando la variable se representa en un gráfico. Así, por ejemplo,
Vd. puede asociar una cadena más comprensible como "tipo de interés a tres
meses" a una variable que tenga un nombre más críptico como "t3".

* (En el caso de un conjunto de datos de series temporales) establecer el
método de compactado para la variable. Este método será el que se use si
usted decide reducir la frecuencia del conjunto de datos, o si usted
actualiza la variable importándola desde una base de datos donde la variable
esté a una frecuencia mayor que en su conjunto de datos.

Instrucción guión: label

# lad Estimation "Estimación de mínima desviación absoluta"

Calcula una regresión que minimiza la suma de las desviaciones absolutas de
los valores observados de la variable dependiente con respecto a los
ajustados. La estimaciones de los coeficientes se derivan usando el
algoritmo simplex de Barrodale-Roberts; se muestra un aviso si la solución
no es única. Las desviaciones típicas se derivan utilizando el procedimiento
bootstrap con 500 extracciones.

Instrucción guión: lad

# leverage Tests "Observations influyentes"

Debe ejecutarse inmediatamente después de una instrucción "MCO". Calcula el
apalancamiento (h, que debe estar entre 0 y 1) para cada punto de datos de
la muestra sobre la que se estimó el último modelo. Presenta el residuo (u)
de cada observación junto a su apalancamiento y una medida de su influencia
sibre las estimaciones, u*h/(1-h). Los "puntos palanca" para los cuales el
valor de h es mayor que 2k/n (donde k es el número de parámetros estimados y
n es el tamaño muestral) se marcan con un asterisco. Para más detalles sobre
los conceptos de apalancamiento e influencia ver Davidson and MacKinnon
(1993, Capítulo 2).

También se presentan los valores DFFITS: estos son los "residuos
studentizados" (residuos predichos divididos por sus desviaciones típicas)
multiplicados por sqrt[h/(1 - h)]. Para más detalles sobre residuos
studentizados y DFFITS ver el libro de G. S. Maddala, Introduction to
Econometrics, capítulo 12; y también Belsley, Kuh y Welsch (1980). En
resumen, un "residuo predicho" es la diferencia entre el valor observado de
la variable dependiente en la observación t y el valor ajustado para la
observación t obtenido de una regresión en la que se omite esa observación
(o se añade una variable ficticia con valor 1 sólo para la observación t);
el residuo studentizado se obtiene dividiendo el residuo predicho por su
desviación típica.

El icono "+" en la parte de arriba de la ventana del contraste de
apalancamiento abre una caja de diálogo que le permite guardar una o más de
las variables del contraste al conjunto de datos actual.

Instrucción guión: leverage

# lmtest Tests "Contrastes LM"

Bajo este encabezamiento se agrupan varios contrastes de hipótesis. Lo que
tienen en común es que el contraste requiere la estimación de una regresión
auxiliar, en la que la variable dependiente es el residuo de alguna
regresión "original". Las variables del lado derecho inluyen a las de la
regresión original ademas de algunos términos adicionales. El estadístico de
contraste se calcula como (tamaño muestral * R-cuadrado) de la regresión
auxiliar: este se distribuye como una chi-cuadrado con grados de libertad
igual al número de términos adicionales, bajo la hipótesis nula de que los
términos adicionales no tienen poder explicativo sobre lois residuos. Un
valor "grande" del estadístico (valor p pequeño) sugiere que esa hipótesis
nula debería ser rechazada.

Instrucción guión: lmtest

# logistic Estimation "Regresión logística"

Regresión logística: desarrolla una regresión MCO utilizando la
transformación logística de la variable dependiente,

  log(y/(ymax - y))

La variable dependiente debe ser estrictamente positiva. Si es una fracción
decimal, entre 0 y 1, por defecto se usa un valor ymax (el máximo asintótico
de la variable dependiente) de 1. Si la variable dependiente es un
porcentaje, entre 0 y 100, por defecto el valor de ymax es 100. Se presenta
una caja de diálogo que le permite especificar un máximo diferente, si usted
lo desea. El valor de ymax proporcionado debe ser mayor que todos los
valores observados de la variable dependiente.

Los valores ajustados y los residuos de la regresión se transforman
automáticamente usando

  y = ymax / (1 + exp(-x))

donde x representa o un valor ajustado o un residuo de la regresión MCO
usando la variable dependiente transformada. Los valores que se presentan
son así comparables con los valores originales de la variable dependiente.

Nótese que si la variable dependiente es binaria, en lugar de esto se
debería usar la instrucción "logit".

Instrucción guión: logistic

# logit Estimation "Regresión Logit"

Regresión binomial logit. La variable dependiente debería ser una variable
binaria. Se obtienen las estimaciones máximo-verosímiles de los coeficientes
de las variables varindeps por medio del método EM (Expectation-Maximization
method, ver Ruud, 2000, Capítulo 27). Como el modelo no es lineal las
pendientes dependen de los valores de las variables independientes: las
poendientes que se presentan se han evaluado en la media de dichas
variables. La hipótesis de que todos los coeficientes, aparte de la
constante, son cero se contrasta mediante el estadístico chi-cuadrado.

Si Vd. desea utilizar logit para el análisis de proporciones (donde la
variable dependiente, para cada observación, es la proporción de casos que
tienen una determinada característica, en lugar de un 1 o un 0 indicando si
la característica está presente o no) no debería usar la instrucción
"logit", sino mejor debería construir la variable logit (p.ej. "genr lgt_p =
log(p/(1 - p))") y usarla como variable dependiente en una regresión MCO.
Ver Ramanathan, Capítulo 12.

Instrucción guión: logit

# markers Dataset "Añadir marcadores de caja"

Esta orden requiere el nombre de un fichero que contenga los "marcadores de
caja", es decir, pequeñas cadenas de caracteres para identificar a las
observaciones individuales del conjunto de datos. Estas cadenas de
caracteres no deberían tener más de 8 caracteres. El fichero debería
contener un marcador por línea y debería de haber exactamente tantos
marcadores como observaciones haya en el conjunto de datos. Si se satisfacen
estas condiciones y se encuentra el fichero especificado se añadirán los
marcadores de caja; serán visibles cuando usted elija "Mostrar valores" en
el menú de Datos de gretl.

# meantest Tests "Diferencia de medias"

Calcula el estadístico t para la hipótesis nula de que las medias
poblacionales de dos variables elegidas son iguales y muestra su valor p. La
instrucción puede invocarse con o sin el supuesto de que las varianzas de
las dos variables son iguales (aunque esto implicará una diferencia en el
estadístico de contraste sólo si hay un número diferente de valores no
ausentes para las dos variables).

Instrucción guión: meantest

# missing Dataset "valores ausentes"

Establece un valor numérico que se interpretará como "ausente" o "no
disponible", o para una serie de datos concreta (en el menú de Variable) o
globalmente para el conjunto de datos completo (en el menú de Muestra).

Gretl tiene su propio código interno para los valores ausentes, pero a veces
los datos que se importan pueden emplear un código diferente. Por ejemplo,
si una serie particular se codifica de manera que el valor -1 indica "no
disponible", Vd. puede seleccionar "Establecer código de 'valor perdido'"
bajo el menú de Variable y escribir el valor "-1" (sin las comillas). Gretl
entonces leerá los -1s como valores ausentes.

# modeltab Utilities "La tabla de modelos"

En la investigación econométrica es frecuente estimar varios modelos para
una variable dependiente común -- los modelos pueden ser diferentes respecto
a las variables independientes que incluyen, o quizás respecto al estimador
utilizado. En esta situación es coveniente presentar los resultados de las
regresiones en forma de tabla, donde cada columna contiene los resultados
para un modelo dado (estimaciones de los coeficientes y desviaciones
típicas), y cada fila contiene las estimaciones dadas por los diferentes
modelos para una misma variable.

Gretl proporciona un método para construir dicha tabla (y copiarla en texto
plano, LaTeX o formato RTF). Hé aquí cómo hacerlo:

1. Estimar un modelo que Vd. desea incluir en la tabla y en la ventana del
   modelo, bajo el menú Archivo, seleccionar "Guardar a sesión como icono" o
   "Guardar a sesión como icono y cerrar".

2. Repetir el paso 1 para los otros modelos que desee incluir en la tabla
   (hasta un total de seis).

3. Cuando haya acabado de estimar los modelos, abra la vista de iconos de su
   sesión gretl (seleccionando "Vista de iconos " bajo el menú de Sesión en
   la ventana principal de gretl, o pulsando sobre el icono de "vista de
   iconos de sesión" en la barra de herramientas de gretl).

4. En la vista de iconos de sesión hay un icono de nombre "Tabla de
   Modelos". Decida qué modelo desea que aparezca en la columna de la
   izquierda en la Tabla de modelos y añádalo a la tabla o arrastrando su
   icono al icono de la tabla de modelos o pulsando con el botón derecho del
   ratón sobre el icono del modelo y seleccionando "Añadir a la tabla de
   modelos" en el menú que entonces surge.

5. Repetir el paso 4 para los demás modelos que desee incluir en la tabla.
   El segundo modelo elegido aparecerá en la segunda columna desde la
   izquierda, y así sucesivamente.

6. Cuando haya acabado de formar la tabla de modelos, puede verla haciendo
   doble click sobre su icono. En el menú Editar de la ventana que aparece,
   tiene Vd. la opción de copiar la tabla al portapapeles en varios formatos
   diferentes.

7. Si el orden de los modelos en la tabla no es el que Vd. deseaba pulse con
   el botón derecho del ratón sobre el icono de la tabla de modelos y elija
   "Vaciar". Después vuelva al paso 4 anterior e inténtelo otra vez.

Instrucción guión: modeltab

# mpols Estimation "MCO de precisión Múltiple"

Computa las estimaciones MCO para el modelo especificado, usando aritmética
de punto flotante con precisión múltiple. Esta instrucción sólo está
disponible si gretl se compila con soporte para la biblioteca Gnu de
Precisión Múltiple (GMP).

Instrucción guión: mpols

# nls Estimation "Mínimos cuadrados no lineales"

Desarrolla la estimación por Mínimos Cuadrados No Lineales (NLS) utilizando
una vesrión modificada del algoritmo de Levenberg-Marquandt. Usted debe
suministrar la especificación de una función; también se recomienda que, si
es posible, suministre las expresiones de las derivadas de la función con
respecto a cada uno de los parámetros.

Ejemplo: Supongamos que tenemos un conjunto de datos con las variables C e Y
(p.ej. greene11_3.gdt) y deseamos estimar una función de consumo no lineal
de la forma

  C = alpha + beta * Y^gamma

Los parámetros alfa, beta y gamma deben añadirse primero al conjunto de
datos y hay que asignarles unos valores iniciales. Esto puede hacerse usando
la instrucción genr o por medio de los menús. Las expresiones "genr" que
corresponda pueden escribirse dentro de la ventana de especificación de MC
no lineales antes de la especificación de la función.

En la ventana de MC no lineales escribiremos las siguientes líneas:

	C = alfa + beta * Y^gamma
	deriv alfa = 1
	deriv beta = Y^gamma
	deriv gamma = beta * Y^gamma * log(Y)

La primera línea determina la función de regresión y las tres siguientes
líneas proporcionan las derivadas de la función con respecto a cada uno de
los parámetros. Si no se proporcionan las líneas "deriv", se computa una
aproximación numérica al Jacobiano.

Si los parámetros alfa, beta y gamma no se hubieran declarado previamente,
podríamos escribir las siguientes líneas justo antes de las que se han
presentado arriba:

	genr alfa = 1
	genr beta = 1
	genr gamma = 1

Para más detalles sobre la estimación por MC. no lineales ver el manual del
gretl.

Instrucción guión: nls

# nulldata Dataset "Crear un conjunto de datos vacío"

Forma un conjunto de datos "vacío", que contiene sólo una constante y una
variable índice, con periodicidad 1 y el número de observaciones
especificado. Esto puede usarse para hacer simulaciones: algunas de las
instrucciones "genr" (p.ej. "genr uniform()", "genr normal()") generan,
desde cero, datos ficticios para rellenar el conjunto de datos. Esta
instrucción puede ser útil también junto a la instrucción "loop". Ver
también la opción "seed" de la instrucción "set".

Instrucción guión: nulldata

# ols Estimation "Mínimos Cuadrados Ordinarios"

Calcula las estimaciones de Mínimos Cuadrados Ordinarios (MCO) para el
modelo especificado.

Además de las estimaciones de los coeficientes y de las desviaciones
típicas, el programa también presenta los valores p de los estadísticos t (a
dos colas) y F. Un valor p inferior a 0,01 indica significatividad al nivel
del 1 por ciento y se denota mediante ***. ** indica un nivel de
significatividad entre el 1 y 5 por ciento y * indica significatividad entre
el 5 y 10 por ciento. También se presentan algunos estadísticos de selección
de modelos (se describen en Ramanathan, Sección 4.3).

Instrucción guión: ols

# omit Tests "Omisión de variables"

Esta instrucción debe invocarse justo después de una instrucción de
estimación. Las variables seleccionadas se omiten del modelo anterior y se
estima el nuevo modelo. Si se omite más de una variable, se presentará el
estadístico F de Wald para las variables omitidas y su valor p (sólo para el
método MCO). Un valor p inferior a 0,05 indica que los coeficientes son
conjuntamente significativos al nivel de significación del 5 por ciento.

Instrucción guión: omit

# online Dataset "Bases de datos de acceso en línea"

Gretl es capaz de acceder a las bases de datos de la Universidad de Wake
Forest (para que esto funcione, su ordenador debe estar conectado a
internet).

Bajo el menú "Archivo, Revisar bases de datos", seleccione el elemento
"sobre servidor". Entonces tendría que aparecer una ventana presentando una
lista de bases de datos en formato gretl disponibles en Wake Forest. (Esto
puede llevar un tiempo, dependiendo de dónde se encuentre usted y de la
velocidad de su conexión a internet.) Junto al nombre de la base de datos y
su pequeña descripción aparecerá una columna de "estado local": esto le
indica si usted tiene ya la base de datos instalada localmente (en su disco
duro) y si es así, si está actualizada con la versión del servidor.

Si usted tiene una determinada base de datos instalada localmente y está
actualizada, no hay ninguna ventaja al acceder a ella por medio del
servidor. Pero para una base de datos que no esté instalada y actualizada,
es posible que usted desee obtener el listado de las series que contiene:
para ello pulse sobre "Obtener listado de series". Esto abre una nueva
ventana, desde la que Vd. puede ver los valores de una serie determinada,
representar esos valores o importarlos al espacio de trabajo de gretl. Estas
tareas pueden llevarse a cabo usando el menú "Series" o por medio del menú
emergente que aparece cuando usted pulsa con el botón derecho sobre una
serie determinada. También puede buscar a lo largo del listado la variable
que a Vd. le interese (mediante el elemento "Buscar" del menú).

Si Vd. desea un acceso a los datos más rapido, o si desea acceder a la base
de datos estando su ordenador fuera de línea (desconectado de internet),
seleccione la línea que contiene la base de datos que Vd. desea y pulse el
botón "Instalar". esto descargará la base de datos en formato comprimido, lo
descomprimirá y lo instalará en su disco duro. A partir de entonces usted
debería encontrarlo bajo el menú "Archivo, Revisar bases de datos, nativa
gretl".

# panel Dataset "Datos de panel"

Aquí hay dos opciones "series temporales apiladas" y "secciones cruzadas
apiladas". Si Vd. quiere utilizar la instrucción "MC combinados" y sus
correspondientes diagnósticos de panel, Gretl debe conocer cómo están
organizados sus datos.

"Series temporales apiladas" significa que los bloques en el fichero de
datos tienen la estructura de series temporales para cada una de las
unidades de sección cruzada. Por ejemplo, las primeras 10 filas de datos
podrían representar los valores de ciertas variables para el país A durante
10 periodos, las siguientes 10 filas los valores para el país B durante los
mismos 10 periodos, y así sucesivamente.

"Seciones cruzadas apiladas" significa que los bloques del fichero de datos
tienen la estructura de secciones cruzadas para cada uno de los periodos
temporales. Por ejemplo, las primeras 6 filas de datos posrían representar
los valores de ciertas variables para los países A, ..., F para el año 1970,
las 6 siguientes filas, los valores para los mismos países en el año 1971, y
así sucesivamente.

Si Vd. guarda su ficherode datos después de establecer este atributo, esta
información se grabará al fichero y así no tendrá que introducirla de nuevo.

Hay que señalar que este elemento de menú no altera la estructura de su
conjunto de datos de panel, sólo fija la interpretación de esa estructura
por parte de gretl. Si desea convertir un panel de datos que actualmente
está en forma de secciones cruzadas apiladas a la forma de series temporales
apiladas, use el elemento de menú "Reestructurar panel".

Instrucción guión: panel

# pca Statistics "Análisis de componentes principales"

Análisis de componentes principales. Presenta los valores propios de la
matriz de correlación de las variables de la lista listavar y la proporción
de la varianza conjunta explicada por cada uno de los componentes. También
presenta los vectores propios correspondientes (o "ponderaciones de los
componentes").

Si se da la opción --save, los componentes con valorres propios mayores que
1,0 se guardan como variables en el conjunto de datos, con nombres PC1, PC2
y así sucesivamente. Estas variables artificiales se forman como la suma de
(ponderaciones de los componentes) por (Xi estandarizadas), donde Xi denota
la i-ésima variable de la lista listavar.

Si se da la opción --save-all, se guardan todos los componentes de la manera
que se ha descrito arriba.

Instrucción guión: pca

# pergm Statistics "Periodograma"

Calcula y presenta (y si no se ejecuta en modo batch, representa
gráficamente) el espectro de la variable especificada. Sin la opción
--bartlett se ofrece el periodograma muestral; con dicha opción, se utiliza
una ventana de retardos de Bartlett de longitud 2*sqrt(T) (donde T es el
tamaño muestral) para estimar el espectro (ver Capítulo 18 del libro de
Greene Econometric Analysis). Cuando se presenta el periodograma muestral,
también se proporciona un contraste t sobre integración fraccional de la
serie ("memoria larga"): la hipótesis nula es que el orden de integración es
cero.

Instrucción guión: pergm

# pooled Estimation "MCO combinados"

Estima un modelo vía MCO (ver "ols" para los detalles sobre su sintaxis), y
lo marca como 'combinado' o 'modelo de panel', de manera que se hace
disponible el contraste de "hausman".

Instrucción guión: pooled

# probit Estimation "Modelo Probit"

La variable dependiente debería ser una variable binaria. Se obtienen las
estimaciones máximo-verosímiles de los coeficientes de las variables
varindeps por medio de mínimos cuadrados iterativos (el método EM o
Expectation-Maximization). Como el modelo no es lineal las pendientes
dependen de los valores de las variables independientes: las pendientes que
se presentan están evaluadas en las medias de dichas variables. El
estadístico chi-cuadrado sirve para contrastar la hipótesis nula de que
todos los coeficientes, excepto la constante, son cero.

El análisis Probit de proporciones no está aún implementado en gretl.

Instrucción guión: probit

# pwe Estimation "Estimador de Prais-Winsten"

Calcula estimaciones de los parámetros utilizando el procedimiento de
Prais-Winsten, un método de Mínimos cuadrados generalizados factibles que
está diseñado para tener en cuenta la autocorrelación de primer orden del
término de error. El procedimiento es iterativo, igual que "corc"; la
diferencia es que mientras el método de Cochrane-Orcutt desperdicia la
primera observación, el de Prais-Winsten la utiliza. Para más detalles, ver
por ejemplo el Capítulo 13 del libro de Greene Econometric Analysis (2000).

Instrucción guión: pwe

# reset Tests "Ramsey's RESET"

Debe ejecutarse después de la estimación de un modelo vía MCO. Realiza el
contraste de especificación de modelos (no linealidad) RESET de Ramsey. Para
ello añade a la regresión el cuadrado y el cubo de los valores ajustados y
calcula el estadístico F para la hipótesis nula de que los parámetros de las
dos variables añadidas son cero.

Instrucción guión: reset

# rmplot Graphs "Gráfico Rango-Media"

Gráfico Rango-media plot: esta instrucción crea un sencillo gráfico para
ayudar a decidir si una serie temporal, y(t), tiene varianza constante o no.
Se toma la muestra completa t=1,...,T y se divide en pequeñas submuestras de
tamaño arbitrario k. La primera submuestra se forma con y(1),...,y(k), la
segunda con y(k+1), ..., y(2k), y así sucesivamente. Para cada submuetra se
calcula la media muestral y el rango (= el máximo menos el mínimo), y se
forma un gráfico con las medias en el eje horizontal y los rangos en el
vertical. Así, cada submuestra está representada por un punto en este plano.
Si la varianza de la serie es constante, se espera que los rangos de las
submuestras sean independientes de las medias; si vemos que los puntos se
distribuyen a lo largo de una línea de creciente, esto sugiere que la
varianza de la serie aumenta con la media; si los puntos siguen una línea
decreciente esto indica que la varianza disminuye a medida que la media
aumenta.

Además del gráfico, gretl presenta las medias y los rangos de cada
submuestra, el coeficiente para la pendiente en una regresión MCO de los
rangos sobre las medias y el valor p para el contraste de la hipótesis nula
de que dicha pendiente es cero. Si el coeficiente de la pendiente es
significativo, al nivel de significación del 10 por ciento, se muestra
también en el gráfico la recta de regresión estimada de los rangos sobre las
medias.

Instrucción guión: rmplot

# runs Tests "Contraste de rachas"

Realiza el contraste "rachas" (no paramétrico) de aleatoriedad de la
variable especificada. Si Vd. desea contrastar la aleatoriedad de las
desviaciones respecto a la mediana, para una variable denominada x1 con
mediana distinta de cero, puede hacer lo siguiente:

	genr signx1 = x1 - median(x1)
	runs signx1

Instrucción guión: runs

# sampling Dataset "Establecer el rango muestral"

El menú Muestra ofrece varias maneras de seleccionar una submuestra a partir
del conjunto de datos actual.

Si Vd. elige "Muestra/Sample/Definir, a partir de v. ficticia..." se le
indica que seleccione una variable ficticia (indicadora), que debe tener los
valores 0 o 1 para cada observación. La muestra se restringirá entonces a
las observaciones para las cuales la variable ficticia vale 1.

Si Vd. elige "Muestra/Restringir, a partir de criterio..." es necesario que
Vd. proporcione una expresión Booleana (lógica) del mismo tipo que Vd.
usaría para definir una variable ficticia. Por ejemplo, la expresión "sqft >
1400" seleccionará sólo casos para los que la variable sqft tiene un valor
mayor que 1400. Las condiciones pueden estar concatenadas utilizando para
ello los operadores lógicos "&"(AND) y "|" (OR), y puede aplicarse también
la negación usando "!" (NOT).

El elemento de menú "Muestra/Quitar todas las obs. con valores perdidos"
redefine la muestra de manera que se excluyen todas las observaciones para
las cuales faltan los valores de una o más variables (se dejan sólo los
datos completos).

Para seleccionar las observaciones para las cuales una variable particular
no tiene valores ausentes, use "Muestra/Restringir, a partir de criterio..."
e introduzca la condición Booleana "!missing(nombre_var)" (reemplac
"nombre_var" por el nombre de la variable que Vd. desee usar).

Si las observaciones tienen nombre (marcas de caja), Vd. puede remuestrear
de manera que se excluya una observación particular, utilizando por ejemplo
"obs!="France"" como condición Booleana. El nombre de la observación debe
estar incluido entre comillas.

Al definir una muestra a partir de una variable ficticia, una expresión
Booleana o por el criterio de los valores perdidos, hay que señalar que
cualquier información "estructural" en el encabezamiento del fichero de
datos (con respecto a la estructura de series temporales o de panel) se
pierde. Vd. puede reimponerla de nuevo usando el menú "Muestra/Establecer
frecuencia, observación inicial...".

# scatters Graphs "Gráficos bivariantes múltiples"

Dibuja un conjunto de gráficos por parejas de la variable elegida del eje
"Y" con respecto a cada una de las variables elegidas del eje "X". Revisar
un conjunto de gráficos como estos puede ser útil al realizar análisis
exploratorio de datos. El número máximo de gráficos es seis; cualquier otra
variable extra en la lista de variables del eje X será ignorada.

Instrucción guión: scatters

# seed Programming "Semilla aleatoria"

Requiere como entrada un número entero. Establece la semilla para el
generador de números pseudoaleatorios que se utiliza bajo el menú Datos,
Añadir variables, Aleatoria normal y Aleatoria uniforme. Por defecto, la
semilla se establece cuando se inicia el programa usando la hora del
sistema. Si Vd. desea obtener secuencias de números pseudoaleatorios
repetibles necesitará determinar la semilla de forma manual.

# setobs Dataset "Frequencia y observación inicial"

Esta instrucción se usa para forzar al programa a interpretar el conjunto de
datos actual como series temporales o como panel, cuando los datos se han
leído como series simples sin fechas. Se necesitan dos parámetros: una
frecuencia entera y una cadena de caracteres para la observación inicial
(normalmente una fecha). He aquí algunos ejemplos de código válido:

  4 1990:1      Interpretar los datos como trimestrales, comenzando en 1990, 
                Q1
  12 1978:03    Interpretar los datos como mensuales, comenzando en marzo de 
                1978
  20 1:01       Frequencia 20, empezando en la observación 1.01 (datos de 
                panel)
  5 1972/01/20  Datos diarios (5 días por semana), comenzando el 20 de enero 
                de 1972
  7 2002/01/20  Datos diarios (7 días por semana), comenzando el 20 de enero 
                de 2002

Instrucción guión: setobs

# setmiss Dataset "Código de valor ausente"

Determina un valor numérico que se intepretará como "ausente" o "no
disponible", o para una serie de datos concreta (bajo el menú de Variable) o
globalmente para el conjunto de datos completo (bajo el menú de Muestra).

Gretl tiene su cpropio código inetrno para manejar valores ausentes, pero a
veces los datos importados emplean un código diferente. Por ejemplo, si una
serie particular está codificada de manera que el valor de -1 indica "no
disponible", Vd. puede seleccionar "Establecer código de 'valor perdido'" en
el menú de Variable y escribir allí el valor "-1" (sin las comillas).
Entonces gretl leerá los -1s como observaciones ausentes.

Instrucción guión: setmiss

# sim Dataset "Simulación"

Simula valores para nombre_var para el rango muestral actual o para el rango
obs_inicial hasta obs_final si se dan estos argumentos. La variable y debe
haber sido definida antes con valores iniciales apropiados. La fórmula
utilizada es

  y(t) = a0(t) + a1(t)*y(t-1) + a2(t)*y(t-2) + ...

Los términos ai(t) pueden ser números constantes o nombres de variables
definidas previamente; esos términos pueden ir precedidos de un signo menos.

Esta instrucción ya no se recomienda. En su lugar debería de usarse "genr".

Instrucción guión: sim

# spearman Statistics "Correlación por rangos de Spearmans"

Calcula el coeficiente de correlación por rangos de Spearman para un par de
variables especificado. No es necesario antes ordenar y hacer el ranking de
las variables, la función se encarga de ello.

El ranking automático es de mayor a menor (es decir, el mayor valor de los
datos obtiene rango 1). Si Vd. necesita invertir este ranking cree una nueva
variable que sea el negativo de la primera original. Por ejemplo:

	genr altx = -x
	spearman altx y

Instrucción guión: spearman

# store Dataset "Guardar datos"

Guarda el conjunto de datos completo o, si se suministra una lista listavar,
el subconjunto especificado de variables del conjunto de datos actual, al
fichero dado en fichero_de_datos.

Por defecto los datos se guardan en formato gretl "nativo", pero las
distintas opciones permiten guardarlos en varios formatos alternativos. Los
datos CSV (Comma-Separated Values) pueden ser leídos por programas de hoja
de cálculos y también pueden manipularse mediante un editor de textos. Los
formatos de Octave y R están diseñados para el uso con estos respectivos
programas. La compresión mediante Gzip puede ser útil para grandes conjuntos
de datos. Ver el manual del gretl para detalles sobre los distintos
formatos.

Hay que señalar que las variables escalares no serán guardadas
automáticamente: si Vd. desea guardar escalares debe escribirlas
explícitamente en la lista listavar.

Instrucción guión: store

# tobit Estimation "Modelo Tobit"

Estima un modelo Tobit. Este modelo puede ser adecuado cuando la variable
dependiente es una variable "truncada". Por ejemplo, se observan valores
positivos y cero de las compras de bienes duraderos por parte de las
familias, pero no valores negativos. Sin embargo las decisiones sobre tales
compras pueden considerarse como resultados de una disposición subyacente a
la compra que puede ser negativa en algunos casos. Para detalles ver el
libro de Greene Econometric Analysis, Capítulo 20.

Instrucción guión: tobit

# tsls Estimation "Mínimos cuadrados en dos etapas"

Esta instrucción necesita la selección de dos listas de variables: las
variables independientes del modelo y una lista de "instrumentos". La última
recoge las variables exógenas y/o predeterminadas que pueden usarse como
regresores para obtener valores ajustados para las variables endógenas del
lado derecho.

Si alguna de las variables del lado derecho del modelo son exógenas,
deberían estar incluidas en ambas listas.

Instrucción guión: tsls

# var Estimation "Autorregresión vectorial"

Este mandato necesita la especificación de:

  - la variable dependiente de la primera ecuación del sistema VAR;

  - el orden de retardos, es decir, el número de retardos de cada variable
  que deberían incluirse en el sistema;

  - los posibles términos determinísticos (es decir, la constante, tendencia
  temporal, variables ficticias estacionales, etc); y

  - una lista de variables independientes, cuyos retardos se incluirán en el
  lado derecho de las ecuaciones (nota: no incluir en esta lista variables
  retardadas -- serán añadidas automáticamente).

Se ejecutará una regresión por separado para cada variable del sistema. La
salida de cada ecuación contiene los contrastes F para restricciones cero de
todos los retardos de cada una de las variables, un contraste F para el
máximo retardo, descomposiciones de la varianza de predicción y funciones
impulso respuesta.

Las descomposiciones de la varianza y las funciones impulso-respuesta se
basan en la descomposición de Cholesky de la matriz de covarianzas
contemporánea, y en este contexto el orden en el que se dan las variables
(estocásticas) es importante. La primera variable de la lista se supone que
es "más exógena" dentro del periodo.

Instrucción guión: var

# vartest Tests "Diferencia de varianzas"

Calcula el estadístico F para contrastar la hipótesis nula de que las
varianzas poblacionales de las dos variables seleccionadas son iguales y
muestra su valor p.

Instrucción guión: vartest

# wls Estimation "Mínimos cuadrados ponderados"

Supongamos que "wtvar" denota la variable seleccionada en la caja "Variable
de ponderaciones". Se ejecuta una regresión por MCO en la que la variable
dependiente es el producto de wtvar por la variable dependiente elegida, y
las variables independientes también se multiplican por wtvar. Si wtvar es
una variable ficticia, esto es equivalente a eliminar todas las
observaciones en las que wtvar toma valor cero.

Instrucción guión: wls
